UtilizacinPrcticadel TeoremaCentraldelLmite

Apellidos,nombre MartnezGmez,Mnica(momargo@eio.upv.es) MarBenlloch,Manuel(mamaben@eio.upv.es) Departamento Estadstica,InvestigacinOperativaAplicadasy Calidad Centro UniversidadPolitcnicadeValencia

1
UtilizacinPrcticadelTeoremaCentraldelLmite

1. Resumendelasideasclave
EnesteartculovamosaconocerlascaractersticasbsicasdelTeoremaCentraldelLmiteysusposibles aplicaciones prcticas con la finalidad de construir una especie de catlogo al que acudir para el clculo de probabilidades de distribuciones discretas, como binomial o Poisson mediante aproximaciones a la distribucinnormal.

2. Introduccin
Qu diferencia existe en el clculo de probabilidades de la variables aleatorias (V.A.) discretas, que siguen distribuciones binomiales o de Poisson y el clculo de probabilidades de variables aleatorias continuasquesiguenunadistribucinnormal? Una variable aleatoria se define continua cuando el conjunto de valores que puede tomar es un infinito continuo, es decir, puede tomar cualquier valor en un intervalo. Por el contrario, se define discreta cuandoestnmedidasfinitasoinfinitasnumerables,representanalgoquepodemoscontar,ynosuelen llevar decimales. Las distribuciones de probabilidad ms utilizadas en variables discretas son la distribucin binomial y la distribucin de Poisson. La distribucin ms frecuente en el caso de las variablescontinuasesladistribucinnormal. El Teorema Central del Lmite indica que, en condiciones muy generales, la distribucin de la suma de variables aleatorias tiende a una distribucin normal cuando la cantidad de variables es muy grande. Es decir,garantizaunadistribucinnormalcuandonessuficientementegrande. En este objeto de aprendizaje, conoceremos las caractersticas y propiedades del Teorema Central del Lmite. Utilizamos ejemplos y ejercicios donde descubriremos las razones por las cuales, en muchos camposdeaplicacin,seencuentranentodomomentodistribucionesnormales,ocasinormalesyaque cuando n es suficientemente grande, de variables independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que ste sea), la suma de ellas se distribuye segn una distribucin normal, siendoaplicatantoasumadevariablesdiscretascomodevariablescontinuas,loquefacilitarelclculo de las probabilidades. Finalmente, resaltamos los conceptos bsicos de aprendizaje con respecto al TeoremaCentraldelLmiteysusaplicacionesprcticas.

3. Objetivos
MostrarlascaractersticasypropiedadesdelteoremaCentraldelLmites 2
UtilizacinPrcticadelTeoremaCentraldelLmite

Utilizar la distribucin normal para aproximar el clculo de probabilidades de variables discretasdePoisson. Utilizar la distribucin normal para aproximar el clculo de probabilidades de variables discretasdeBinomial.

4. ElTeoremaCentraldeLmite
Este teorema afirma que la distribucin de medias mustrales tiende hacia una distribucin normal, aunque las muestras procedan de una distribucin no normal determinar un modelo de probabilidad paradescribirelcomportamientodeunavariablecontinua. EsunTeoremadegranimportanciaenEstadstica,especialmenteparalapartedeInferenciaEstadstica. Establece que si X1,.,Xn son variables aleatorias independientes con media i y varianza i2, al margendeltipodedistribucinquesiganlossumandos,lasumadetodasellas,Y=X1++Xntiendea distribuirse aproximadamente normal, con media = (1+..+ n) y varianza 2 =( 1 +.+ k )/n,siendolasaproximacionesmejoresamedidaqueaumentan.
2

De acuerdo con el resultado siempre que observemos una variable que sea el resultado de muchas causas independientes, esperamos que su distribucin sea aproximadamente normal, de ah la frecuenciaconlaquesepresentanenrealidadvariablesaleatoriascuyadistribucinpuedeaproximarse aladistribucinnormal,debidoaquemuchasdestasvariablesrealespuedenconsiderarselasumade variables independientes. Por ejemplo, las medidas fsicas de una persona son debidas a muchas variables:gentica,alimentacin,ejerciciofsico,etc.yseesperanquesiganunadistribucinnormal. Dado que la variable Binomial, no es ms que la suma de n variables independientes (o la suma de los resultados obtenidos al efectuar n repeticiones de un experimento aleatorio con una variable aleatoria que slo poda tomar dos posibles valores), su distribucin tienda a aproximarse a la normal a medida que aumenta n, con media, la esperanza E(X)=np y varianza 2 = np(1p), resultado demostrado por De Moivreen1733.EsteautorencontrquesiXesunavariableB(n,p),ladistribucin:
X np np( 1 p )

Ecuacin1.Ecuacindeconvergenciadeladistribucinbinomialaladistribucinnormal.

convergehaciaunadistribucinnormaltipificadaoestandarizada,N(0,1)(Pea,2001).

3
UtilizacinPrcticadelTeoremaCentraldelLmite

Existemuchacontroversiaparadeterminareltamaodemuestraadecuadoparaquelaaproximacina la normal proporcione resultados aceptables. Aunque muchos autores suele dar por aceptable cuando el producto np(1p)>5, nosotros por mayor seguridad y fiabilidad de que las aproximaciones son adecuadas, trabajaremos con la regla de que ducho producto sea np(1p) 9. En nuestro caso una variableBinomialB(n,p)seaproximaaunanormalN(,),mediantelasiguienteexpresin: B(n,p)N(np,np(1p)
Ecuacin2.Ecuacindetransformacindistribucinbinomialaladistribucinnormal.

Esta misma situacin aparece con variables de Poisson. Una variable aleatoria X que sigue una distribucin Ps(), puede aproximarse a una distribucin normal con media, la esperanza E(X)= y varianza 2 =, cuando n es grande, lo que requiere elevados valores de. Aunque, como en el caso de la binomial, muchos autores suelen dar por aceptable cuando el producto >5, nosotros por mayor seguridadyfiabilidaddequelasaproximacionessonadecuadas,trabajaremosconlareglade9. Elprocedimientoessimilaralcasoanterior.SiXesunavariablePs(),ladistribucin:

Ecuacin3.EcuacindeconvergenciadeladistribucindePoissonaladistribucinnormal.

convergehaciaunadistribucinnormalcontipificadaoestandarizada,N(0,1). Esdecir,unavariablePs(),seaproximaaunanormalN(,),mediantelasiguienteexpresin: Ps()N(,)

Ecuacin4.EcuacindetransformacindistribucinPoissonaladistribucinnormal.

Veamosalgunosejemplos: Ejemplo1:Calcularlaprobabilidadobtener200puntosallanzar70dados. SealavariableX~nmerodepuntosobtenidosenlos70lanzamientos~B(n=70,p=1/6). Consideramoscadaunodelos70lanzamientoscomovariablesindependientes,conlocual podemosaplicarelTeoremaCentraldelLmiteyaproximarlaaunadistribucinnormal,puesse cumplequenp(1p)=9,72esdecir,9.

4
UtilizacinPrcticadelTeoremaCentraldelLmite

X ~ nmero de puntos obtenidos en los 20 lanzamientos ~ B (n=20, p=1/6) ~ N(E(X), (X)), donde E(X) y (X) son la esperanza y la desviacin tpica de la distribucin binomial, lanzamientode70dados. Aprovecharemoslapropiedad,dequeconocidoslolaesperanza(opuntosmediosobtenidosal lanzar un dado) y la varianza de la variable puntos obtenidos al lanzar un dado, que sigue una distribucin B (n=1, p=1/6), con una mediaE1(X) yuna varianza 12(X), podemos calcular, E(X) y 2(X)como: E(X)=70*E1(X)=70*3,5=245 2(X)=70*12(X)=70*2,29=160,3

LuegoX~nmerodepuntosobtenidosenlos70lanzamientos~B(n=20,p=1/6)~N(245,12,66)
P( X > 200 ) = P( N ( 0 ,1 ) > 200 245 ) = 1 P( N ( 0 ,1 > 3 ,55 ) = 1 0 ,00019 = 0 ,99981 12 ,66

Ejemplo 2: En un proceso de fabricacin se producen en promedio 2 defectos por minuto. Calcular la aproximadamente la probabilidad de que en una hora se produzcan ms de 150 defectos. X~NmerodefectosporminutosigueunadistribucindePoissondeparmetro=2. Enconsecuencia,Y~NmerodedefectosporhorasigueunadistribucindePoissonde parmetrohora=60*2=120. Consideramoscadaunodelosdefectosporminutocomovariablesindependientes,conlocual podemosaplicarelTeoremaCentraldelLmiteyaproximarlaaunadistribucinnormal,puesse cumplequehora9. Y~NmerodedefectosporhorasigueunadistribucindePs(hora120)~N(E(X),(X)),donde E(X)y(X)sonlaesperanzayladesviacintpicadeladePoisson. E(X)=hora=120 2(X)=hora=120
P( Y > 150 ) = P( N ( 0 ,1 ) > 200 120 ) = P( N ( 0 ,1 > 2 ,74 ) = 0 ,0031 10 ,95

5
UtilizacinPrcticadelTeoremaCentraldelLmite

5. Cierre
El Teorema Central del Lmite establece que la suma de n variables aleatorias independientes de

varianzafinitaeidnticadistribucintiendealadistribucinnormalcuandontiendeainfinito. ElTeoremaCentraldelLmite,permitecalcularrazonablementebienlasprobabilidadesdevariables que siguen una distribucin Binomial y de Poisson, siempre que el tamao de muestra sea suficientementegrande,locualequivaleaquesecumplaquenp(1p)9oque9,respectivamente. UnavariableBinomialB(n,p)seaproximaaunanormalN(,),mediantelasiguienteexpresin: B(n,p)N(np,np(1p) UnavariablePoissonPs()seaproximaaunanormalN(,),mediantelasiguienteexpresin: Ps()N(,)

6. Bibliografa
6.1. Libros:
[1] [2] [3] [6] [7] Martn Pliego, F.J. (2004). Introduccin a la Estadstica Econmica y Empresarial. (Ed.) Thomson. Madrid. Mendenhall, W.; Reinmuth, J.E. (1978). Estadstica para administracin y economa. (Ed.) Grupo EditorialIberoamericana.ISBN9687270136. Pea, D. (2001). Fundamentos de Estadstica. (Ed.) Alianza Editorial, S.A. Madrid. ISBN: 84206 86964. Romero,RyZnica,L.R.(1993).Estadstica(ProyectodeInnovacinEducativa).SPUPV93.637. Romero,RyZnica,L.R.(2000).IntroduccinalaEstadstica.(Ed.).SPUPV2000.4071.

6.2. Referenciasdefuenteselectrnicas:
[8] http://personal5.iddeo.es/ztt/Tem/t21_distribucion_normal.htm(Consultado17/10/08). [9] http://74.125.39.104/search?q=cache:nIXKW90gaC0J:www.udl.es/usuaris/seio2003/treballs/06_2_ 1.pdf+PAPEL+PROBABIL%C3%8DSTICO&hl=es&ct=clnk&cd=7&gl=es [10] http://sauce.pntic.mec.es/~jpeo0002/Archivos/PDF/XT03.pdf [11] http://www.vitutor.com/pro/5/a_g.html [12] http://es.geocities.com/pilar_zutabe/EJERCICIOS/1BACHILLERHUMANISTICO/Ejerciciosdistribucion normal.htm [13] http://www.digeo.cl/asignaturas/mat/EjerciciosDistribucionNormal.pdf [14] http://www.fisterra.com/mbe/investiga/distr_normal/distr_normal.asp [15] www1.uprh.edu/.../La%20distribucion%20normal/Modulo%20Sobre%20La%20Distribucion%20Nor mal%

6
UtilizacinPrcticadelTeoremaCentraldelLmite